Are Bitcoins price predictable? Evidence from machine learning techniques using technical indicators

Abstract

The uncertainties in future Bitcoin price make it difficult to accurately predict the price of Bitcoin. Accurately predicting the price for Bitcoin is therefore important for decision-making process of investors and market players in the cryptocurrency market. Using historical data from 01/01/2012 to 16/08/2019, machine learning techniques (Generalized linear model via penalized maximum likelihood, random forest, support vector regression with linear kernel, and stacking ensemble) were used to forecast the price of Bitcoin. The prediction models employed key and high dimensional technical indicators as the predictors. The performance of these techniques were evaluated using mean absolute percentage error (MAPE), root mean square error (RMSE), mean absolute error (MAE), and coefficient of determination (R-squared). The performance metrics revealed that the stacking ensemble model with two base learner (random forest and generalized linear model via penalized maximum likelihood) and support vector regression with linear kernel as meta-learner was the optimal model for forecasting Bitcoin price.

Bitcoin Price Prediction Using Hybrid LSTM-GRU Models

“…The prediction of Bitcoin prices holds multifaceted significance in various domains, including finance, investment strategy formulation, risk management, and cryptocurrency market analysis. Accurate price forecasting facilitates informed decision-making for traders, investors, and financial institutions, enabling them to optimize their investment portfolios, hedge risks, and capitalize on market opportunities [5].…”

Previsibilidade da direção do preço intradiário do bitcoin com modelos de random forest

“…Analisar séries temporais financeiras, como o preço de ativos tradicionais e criptomoedas, é extremamente desafiador devido à natureza dinâmica, não linear, não estacionária, ruidosa e caótica do mercado financeiro (Borges & Neves, 2020). Em um contexto de alta volatilidade do preço de criptomoedas, um modelo de previsão acurado e confiável é fundamental para investidores e participantes do mercado (Gyamerah, 2019).…”

“…Procedimentos de aprendizado de máquina, particularmente, são capazes de analisar grandes quantidades de dados que apresentam ruídos, dinâmicas não lineares e variantes no tempo, com o objetivo de detectar padrões e/ou prever movimentos futuros (Borges & Neves, 2020). Analogamente à predição de preços de ações e de taxas de câmbio utilizando algoritmos de aprendizado de máquina, o preço de criptomoedas também pode ser previsto utilizando tais técnicas (Gyamerah, 2019).…”

“…Criptomoedas são um tipo de ativo digital baseado em tecnologias e protocolos criptografados, a blockchain, e são executadas em redes descentralizadas tornando as transações seguras e difíceis de serem falsificadas (Alonso- Monsalve et al, 2020). Gyamerah (2019) tratou do assunto de classificar as moedas digitais em alguma categoria de ativo financeiro, afirmando que as grandes flutuações no preço do Bitcoin ameaçam seu potencial de funcionar como reserva de valor, em decorrência da sua alta Em relação à dinâmica temporal das séries, pode-se dizer que os preços de ativos financeiros são geralmente caracterizados pela presença de ruídos, de um alto grau de incertezas e de interrelações não identificadas. A previsão de tais séries temporais, na prática, é uma tarefa desafiadora, em vista de sua não estacionariedade, heterocedasticidade 7 , descontinuidade e presença de valores atípicos (outliers).…”

“…Modelos de random forest, uma das técnicas de aprendizado de máquina, vêm recebendo uma maior atenção de pesquisadores (Krauss, Do, & Huck, 2017;Gyamerah, 2019;Borges & Neves, 2020;Akyildirim, Goncu, & Sensoy, 2021;Ibrahim et al, 2021;Jaquart et al, 2021;Ghosh, Neufeld, & Sahoo, 2022;Gradojevic, Kukolj, Adcock, & Djakovic, 2023;Orte, Mira, Sánchez, & Solana, 2023) e investidores, em virtude dos seus benefícios (que serão melhor explicados na seção de metodologia) na modelagem de séries temporais financeiras.…”